PENERAPAN ALGORITMA KOMPRESI JPEG DAN METODE FUZZY C-MEANS PADA KOMPRESI CITRA BERBASIS ENTROPI

Transkripsi

1 PENERAPAN ALGORITMA KOMPRESI JPEG DAN METODE FUZZY C-MEANS PADA KOMPRESI CITRA BERBASIS ENTROPI Dka Asoka Masatu 1, Indah Soesant 2, Hanung Ad Nugroho 3 Abstract Advances n technology demand nformaton to be processed, stored and delvered rapdly. Dgtal mage s an nformaton n the form of 2D whch requre memory as a meda of storage. Image compresson s necessary to optmze storage usage. In ths paper, an entropy-based mage compresson wll be generated usng JPEG. Ths entropy-based mage compresson wll be tested on mage wth 2 dfferent types of ntal compresson format, and. Before compressed, an mage wll be grouped nto clusters based on ts nformaton wth the help of Fuzzy C-Means. Informaton contaned wthn each clusters can be seen from ts entropy. Then each clusters wll be compressed usng JPEG wth dfferent qualty scale based on ts nformaton contaned. Fnal results obtaned s complete mage formed from all clusters. Where cluster wth low entropy wll not be compressed and cluster wth hgh entropy wll be compressed. Keywords entropy, Fuzzy C-Means, JPEG, mage compresson Intsar Kemajuan teknolog menuntut nformas yang dproses, dsmpan dan dkrm secara cepat. Ctra dgtal adalah nformas berbentuk 2D yang membutuhkan memor sebaga meda penympanannya. Kompres ctra dbutuhkan untuk mengoptmalkan penggunaan memor tersebut. Dalam makalah n akan dterapkan kompres ctra berbass entrop menggunakan JPEG. Kompres ctra berbass entrop n akan dujkan pada ctra dengan 2 jens format penympanan awal yang berbeda, yatu dan. Sebelum dkompres, ctra akan dkelompokkan menjad cluster-cluster tersendr sesua dengan kandungan nformasnya dengan bantuan Fuzzy C- Means. Kandungan nformas dalam tap cluster dapat dlhat berdasarkan nla entrop. Kemudan masngmasng cluster akan dkompres dengan JPEG dengan skala kualtas yang berbeda-beda sesua kandungan 1 Mahasswa Jurusan Teknk Elektro dan Teknolog Informas, Fakultas Teknk, Unverstas Gadjah Mada, Jl. Ny Pembayun, Yogyakarta INDONESIA (tlp: ; e-mal: masatu.dka@gmal.com) 2,3 Dosen Jurusan Teknk Elektro dan Teknolog Informas, Fakultas Teknk, Unverstas Gadjah Mada, Jl. Grafka No. 2 Kampus UGM, Yogyakarta INDONESIA (telp: ; fax: ; e-mal: ndah@mt.ugm.ac.d, emal: hanung@te.ugm.ac.d nformasnya. Hasl akhr yang ddapat berupa ctra keluaran utuh hasl penggabungan dar semua cluster. Dmana cluster dengan nla entrop yang rendah tdak akan dkompres dan cluster dengan nla entrop yang tngg akan dkompres. Kata Kunc entrop, Fuzzy C-Means, JPEG, kompres ctra I. PENDAHULUAN Ctra dgtal adalah nformas yang berada dalam bdang dua dmens. Ukuran ctra dgtal dnyatakan dalam pxel (pcture element). Sebuah ctra dgtal dengan dmens 100x200 pxel tersusun atas 100x200 = pxel. Ctra dgtal membutuhkan memor sebaga meda penympanannya. Karena pada kenyataannya kebanyakan ctra mengandung duplkas data, sehngga akan terjad pemborosan tempat [1]. Maka penghematan memor tersebut dapat dlakukan dengan melakukan kompres ctra. Teknk kompres ctra dapat dbag ke dalam dua kelompok, yatu metode lossless dan lossy. Metode lossless akan mampu menghaslkan ctra dekompres yang sama perss dengan ctra semula, namun raso kompres yang dhaslkan kecl. Sedangkan metode lossy akan menghaslkan raso kompres yang tngg dengan mengorbankan kualtas dan kemampuan untuk mengembalkan ctra ke ukuran aslnya [2]. Peneltan terkat kompres dengan penyandan entrop telah dlakukan oleh beberapa penelt terdahulu, namun belum menerapkan Fuzzy c-means Culterng. Peneltan n dbuat sebaga usaha untuk mengefsenskan penggunaan memor dalam kompres ctra. Kompres hanya akan dlakukan pada bagan tertentu yang danggap bukan nformas pentng yang perlu dpertahankan. Metode yang dterapkan adalah klasfkas ctra berupa clusterng untuk memsahkan objek utama dan latar. Kemudan Algortma kompres yang dgunakan adalah JPEG. A. Ctra Sebuah ctra adalah syarat berbentuk dua dmens yang dproses melalu nterpretas vsual oleh mata manusa. Isyarat tersebut awalnya berbentuk analog, untuk mempermudah dalam pemrosesan dan penympanan maka syarat tersebut dubah ke bentuk dgtal. Satu-satunya cara untuk mengoptmalkan 7

2 Artkel Reguler penympanan ctra dgtal saat n adalah dengan melakukan kompres ctra. B. Entrop Entrop adalah pengukuran nformas yang ddapat melalu observas dar data, dalam hal n berupa tngkat keacakan dalam penyebaran dstrbus data [3]. Jka nla pxel dalam sebuah ctra terdstrbus secara merata, maka kandungan entrop yang dmlk akan maksmum. Namun jka pxel yang dmlk hanya satu nla saja maka entrop yang dmlk akan bernla nol. C. Clusterng Pengelompokkan data (clusterng) merupakan proses membag data dalam suatu hmpunan ke dalam beberapa kelompok dmana kesamaan data dalam suatu kelompok lebh besar dbandngkan kesamaan data dalam kelompok lan [4]. Dalam hard clusterng, sebuah data hanya menjad anggota dalam satu kelompok tertentu dan tdak menjad anggota dalam kelompok lan. Sedangkan dalam fuzzy clusterng, level keanggotaan yang dmlk oleh suatu data dapat bernla antara rentang [0,1]. D. Fuzzy C-Means Salah satu dar beberapa Algortma fuzzy clusterng yang banyak dgunakan adalah Fuzzy C-Means (FCM) [5]. Konsep dasar dar Algortma FCM adalah menentukan pusat cluster yang akan menanda lokas rerata dar cluster tersebut. Pusat cluster awal pada umumnya dtentukan secara acak. Kemudan menentukan level keanggotaan pada tap data sesua dengan jaraknya terhadap pusat cluster. Lalu jka s dar tap cluster sudah tdak berubah lag maka teras dhentkan. Jka mash terus berubah maka perbakan pusat cluster dan level keanggotaan akan dlakukan terus sampa s dalam cluster tdak berubah lag. E. Insalsas Pusat Cluster FCM Penentuan pusat awal cluster secara acak dalam FCM memlk kelemahan. Kelemahan tersebut berupa ada kemungknan akan menghaslkan keluaran yang berbeda-beda meskpun dengan masukan yang sama. Ada banyak stud lteratur yang sudah dlakukan untuk mengatas kelemahan Algortma FCM tersebut [6]. Dalam makalah n, penuls akan menggunakan pendekatan heurstk dar metode Furthest Frst. F. JPEG Jont-Photograpc Experts Group (JPEG) adalah sebuah kelompok yang merancang sebuah Algortma kompres ctra lossy. JPEG lebh dkenal secara umum sebaga salah satu format ekstens penympanan ctra (). Tujuan utama dar kompres JPEG sederhana, yatu untuk menympan data yang dgunakan dalam representas dgtal dengan ukuran sekecl mungkn dengan tetap mempertahankan detl vsualnya [2]. JPEG bekerja dengan cara merubah ctra spasal dan merepresentaskannya ke dalam pemetaan frekuens dengan bantuan Dscrete Cosne Transform (DCT). II. METODOLOGI PENELITIAN Pada flowchart yang terdapat dalam Gbr 1 akan djelaskan mengena urutan proses yang terjad dalam melakukan kompres ctra berbass entrop n. Ctra masukan akan dbaca, kemudan dlakukan penentuan nsalsas pusat awal cluster. Lalu s dar tap cluster akan terus dperbak dengan FCM sampa konvergen. Perhtungan entrop akan menentukan skala kualtas (Q) yang akan dberkan dalam kompres JPEG untuk tap cluster. Hasl akhr berupa penggabungan semua cluster sehngga menghaslkan sebuah ctra utuh. III. PEMBAHASAN Dalam bagan n akan djelaskan lebh lanjut pembahasan serta langkah-langkah dlakukannya pengujan dalam makalah n. Dalam pengujan pada makalah n, jumlah cluster yang dgunakan sebanyak 6 buah. Adapun ctra uj yang dgunakan dalam pengujan n dtunjukkan dalam Gbr 2. START baca ctra masukan nsalsas pusat awal cluster kelompokkan ctra dengan FCM htung entrop tap cluster dan tentukan skala kualtas (Q) kompres tap cluster dengan JPEG sesua Q masng-masng gabungkan semua cluster tamplkan ctra keluaran END Gbr 1. Flowchart kompres ctra berbass entrop. Gbr 2. Ctra uj yang dgunakan (a) (b) (c) TABEL 1 SPESIFIKASI CITRA UJI YANG DIGUNAKAN. Ctra Ekstens Fle Lebar Pxel Ukuran 500 x x x KB 250 KB 63,8 KB 474 KB 22,3 KB 232 KB 8 Volume

3 Spesfkas dar masng-masng ctra uj yang akan dgunakan dtunjukkan dalam TABEL 1. Dalam makalah n, tap ctra uj yang dgunakan terdr dar 2 format penympanan awal, yatu dan. A. Pusat Awal dan Pusat Akhr Cluster Insalsas pusat awal cluster n dlakukan melalu pendekatan heurstk dar metode Furthest Frst. Insalsas pusat awal n dlakukan sebelum dterapkannya Algortma FCM. Hasl yang dperoleh pada ctra dalam nsalsas pusat awal cluster n dtunjukkan dalam Gbr 3. Bagan yang bukan merupakan anggota dar cluster yang bersangkutan dtanda dengan pxel htam (0,0,0 dalam RGB). Gbr 3. Objek yang terdapat pada masng-masng cluster dalam nsalsas pusat awal pada ctra (a).jpg dan (b).png. Hasl dar pengujan pusat akhr cluster ddapatkan setelah melakukan clusterng dengan FCM. Hasl yang dperoleh pada ctra setelah s dar masngmasng cluster tdak berubah lag dtunjukkan dalam Gbr 4. Dar perbandngan antara Gbr 3 dan Gbr 4 dapat terlhat bahwa terjad sedkt perubahan anggota dalam tap cluster. Hal tersebut menandakan bahwa nsalsas yang dlakukan sudah cukup bak, sehngga hanya perlu sedkt teras untuk melakukan perubahan agar hasl akhrnya konvergen. Dapat terlhat juga bahwa proses clusterng yang berbeda terjad pada format dan meskpun ctra ujnya sama. B. Entrop dan Penentuan Skala Kualtas Setelah semua anggota tap cluster dalam FCM sudah tdak berubah lag maka dapat dhtung nla entrop dar masng-masng cluster. Dar nla entrop yang dhaslkan maka dapat dbuat batas-batas sehngga dapat dtentukan skala kualtas (Q) yang akan dgunakan dalam kompres JPEG. Adapun batas-batas nla entrop tersebut antara lan, apabla a. entrop <= 0,65; maka Q = 100. b. 0,65 < entrop <= 0,75; maka Q = 90. c. 0,75 < entrop <= 0,85; maka Q = 80. d. 0,85 < entrop <= 0,95; maka Q = 70. e. entrop > 0,9; maka Q = 60; Entrop yang dhaslkan dar tap ctra uj dan skala kualtasnya dtunjukkan dalam TABEL 2. Jka dalam sebuah cluster terdapat nla pxel tertentu yang probabltasnya besar sekal maka dapat dpastkan bahwa s dar cluster tersebut merupakan nformas yang tdak pentng dan dapat danggap sebaga objek latar. Dalam penentuan skala kualtas, semakn pentng nformas yang ada d dalamnya maka cluster tersebut hanya akan dkompres sedkt sehngga skala kualtasnya besar. C. Kompres JPEG Setelah dketahu skala kualtasnya maka kompres JPEG yang berbeda dapat dlakukan pada masngmasng cluster. Hasl yang dperoleh pada ctra dalam kompres JPEG n dtunjukkan dalam Gbr 5. Dar hasl yang terlhat dalam TABEL 2, jka ada cluster dengan nla Q=100 maka cluster tersebut tdak akan dkompres sama sekal. D. Ctra Keluaran Setelah dkompres, bagan terakhr merupakan penggabungan 6 cluster tersebut. Hasl akhr yang dperoleh pada ctra cluster setelah 6 cluster tersebut dgabungkan dtunjukkan dalam Gbr 6. Gbr 7 menunjukkan ctra error yang dhaslkan, untuk bagan dar ctra yang tdak mengalam perubahan pxel dtanda dengan warna puth. Dar hasl tersebut dapat terlhat bahwa keluaran yang dhaslkan oleh kedua jens format sedkt berbeda, meskpun secara vsual terlhat sama. Gbr 4. Objek yang terdapat pada masng-masng cluster akhr pada ctra (a).jpg dan(b).png. 9

4 Artkel Reguler Gbr 6. Perbandngan antara ctra masukan (kr) dan ctra keluaran (kanan) pada ctra (a).jpg dan (b).png. Gbr 5. Objek yang terdapat pada masng-masng cluster setelah kompres JPEG pada ctra (a).jpg dan (b).png. Ctra Gbr 7. Perbandngan ctra error yang dhaslkan pada ctra (a).jpg dan (b).png. TABEL 2 ENTROPI DAN SKALA KUALITAS YANG DIHASILKAN TIAP CLUSTER. Entrop (H) dan Skala Kualtas (Q) Ekstens Fle C1 C2 C3 C4 C5 C6 H Q H Q H Q H Q H Q H Q 0, , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , E. Waktu Kompres Waktu yang dbutuhkan untuk melakukan kompres pada tap-tap ctra uj dtunjukkan dalam TABEL 3. TABEL 3 WAKTU KOMPRESI YANG DIBUTUHKAN. Ctra Ekstens Fle Waktu 1 ment 35 detk 1 ment 43 detk 1 ment 15 detk 1 ment 52 detk 2 ment 51 detk 1 ment 36 detk Berdasarkan hasl yang terlhat dalam TABEL 3, terlhat bahwa 2 dar total 3 ctra uj dengan format membutuhkan waktu yang lebh lama bla dbandngkan dengan ctra dengan format. Waktu komputas palng lama terjad d bagan FCM karena tap ctra membutuhkan jumlah teras yang berbeda-beda sebelum menghaslkan cluster akhr yang konvergen. Waktu komputas yang lama dapat pula berart bahwa teras yang dlakukan sedang mencoba untuk mencar solus berupa global optma. Sehngga dengan kata lan, dapat dasumskan semakn lama waktu yang dbutuhkan maka semakn bak hasl clusterng yang terjad. F. Raso Kompres Raso kompres yang dhaslkan oleh tap-tap ctra uj dtunjukkan dalam TABEL 4. Dapat terlhat bahwa ctra uj dengan format menghaslkan raso kompres hanya sedkt sekal, tdak sebesar pada ctra uj dengan format. Hal tersebut dkarenakan sebelum dgunakan sebaga ctra uj dalam tugas akhr n ctra tersebut sudah dkompres masng-masng dengan Algortma JPEG dan Algortma PNG, dmana JPEG bersfat lossy dan PNG bersfat lossless sehngga ctra masukan dengan ekstens sebelumnya sudah berukuran lebh kecl darpada ctra masukan dengan ekstens. Ctra TABEL 4 RASIO KOMPRESI YANG DIHASILKAN. Ukuran Ukuran Ekstens Sebelum Setelah Fle Kompres Kompres Raso Kompres 23,1 KB 20,8 KB KB 20,7 KB ,8 KB 52,7 KB KB 49,3 KB ,3 KB 20,5 KB KB 21,4 KB Volume

5 G. Kualtas Kompres Pengukuran kualtas kompres secara kuanttatf akan dlakukan melalu 3 cara, yatu. 1. Pengukuran error dan perubahan pxel dengan Mean Square Error (MSE) & Peak Sgnal-to- Nose Rato (PSNR) [7]. 2. Pengukuran kemrpan dengan Structural SIMlarty (SSIM) [8]. 3. Pengukuran korelas dengan Pearson s Coeffcent Correlaton (PCC) [9]. Hasl dar ketga pengukuran tersebut dtunjukkan dalam TABEL 5. Ctra TABEL 5 PENGUKURAN MSE, PSNR, SSIM DAN PCC. Ektens Fle MSE* PSNR* SSIM* PCC* *berdasarkan channel warna hjau RGB Berdasarkan pengukuran MSE & PSNR, semakn besar nla MSE maka semakn banyak perubahan nla pxel yang terjad antara ctra masukan dan ctra keluaran [7]. Sedangkan semakn besar nla PSNR maka kualtas ctra keluarannya semakn mendekat ctra masukannya. Rentang nla PSNR untuk ctra dengan kualtas vsual yang danggap bak pada kompres lossy sektar 30-50dB [10]. Berdasarkan pengukuran SSIM, jka nla SSIM yang dhaslkan mendekat nla 1, maka ctra keluaran tersebut semakn mrp dengan ctra masukannya [11]. Berdasarkan pengukuran PCC, jka nla PCC yang dhaslkan semakn besar maka tngkat korelas antara ctra masukan dan ctra keluaran semakn besar [12]. Dar semua pengukuran dalam TABEL 5, ternyata semua pengukuran memberkan hasl yang sama, yatu ctra uj dengan format selalu menghaslkan ctra keluaran dengan kualtas yang lebh bak dbandngkan dengan ctra uj dengan format. IV. KESIMPULAN Metode clusterng yang dmlk FCM dapat dgabungkan dengan metode kompres JPEG untuk menghaslkan kompres ctra berbass entrop. Kompres ctra berbass entrop yang drancang dapat mempertahankan kandungan nformas yang pentng dalam sebuah ctra dengan cara tdak melakukan kompres pada cluster dengan entrop rendah. Entrop yang rendah dalam sebuah cluster menandakan penyebaran pxel yang dmlk hampr tdak seragam dan jumlahnya sedkt, sehngga dapat danggap sebaga nformas pentng dan d bagan n tdak akan dkompres. Sedangkan entrop yang tngg menandakan penyebaran pxel-nya seragam dan jumlahnya banyak, sehngga dapat danggap sebaga nformas yang kurang pentng dan d bagan n akan dkompres. Dar keseluruhan proses, waktu palng lama terjad d bagan clusterng dalam FCM karena adanya teras yang berulang-ulang agar konvergens cluster tercapa. Berdasarkan semua pengujan yang telah dlakukan, ctra dengan format memberkan keluaran yang lebh bak dbandngkan ctra dengan format, bak d ss ukuran, kualtas secara kualtatf (vsual) maupun kualtas secara kuanttatf (perhtungan matemats). Raso kompres terkecl yang dapat dcapa pada peneltan n adalah 0,0828. REFERENSI [1] R. Munr, Pengolahan Ctra Dgtal dengan Pendekatan Algortmk. Bandung: Informatka, [2] J. W. O'Bren, "The JPEG Image Compresson Algorthm," [3] M. R. Sabuncu, "Entropy-Based Image Regstraton," Nov [4] C. T. Sun, J. S. R. Jang, and E. Mzutan, Neuro-Fuzzy and Soft Computng: A Computatonal Approach to Learnng and Machne Intellgence. Englewood Clffs: Prentce-Hall, [5] N. Wakhdah, "Clusterng Menggunakan K-Means Algorthm". [6] Irwanto, Y. Purwananto, and R. Soelaman, "Optmas Knerja Algortma Klastersas K-Means," Jurnal Teknk ITS Vol. 1, No. 1, pp. A197-A202, [7] Z. Wang and A. C. Bovk, "Mean Squared Error: Love It or Leave It?," IEEE SIGNAL PROCESSING MAGAZINE, January [8] Z. Wang, A. C. Bovk, H. R. Shekh, and E. P. Smoncell, "Image Qualty Assessment: From Error Vsblty to Structural Smlarty," IEEE TRANSACTIONS ON IMAGE PROCESSING, vol. 13, No. 4, pp , Apr [9] A. A. Goshtasby, Image Regstraton: Prncples, Tools and Methods (Advances n Computer Vson and Pattern Recognton). London: Sprnger, [10] S. Morell, A. Gordano, and D. Gasant, "Routne Tests for Both Plannng and Evaluatng Image Qualty n Tele- Echocardography," ANN IST SUPER SANITA, vol. 45, No. 4, pp , [11] J. Østergaard, M. S. Derpch, and S. S. Channappayya, "The Hgh-Resoluton Rate-Dstorton Functon under the Structural Smlarty Index," EURASIP Journal on Advances n Sgnal Processng, [12] N. Fenton and M. Nel, Rsk Assessment and Decson Analyss wth Bayesan Networks. CRC Press,